硬件加速器上的大规模矩阵运算的制作方法

背景技术：

1、随着工业自动化的发展，一些工厂已经变得更加定制化，而技术发展经常寻求实现具有长期适应性的自主和智能解决方案。例如，开发这样的技术的技术挑战涉及在一些情况下为可能涉及机器学习技术的安全关键应用(例如，深度神经网络)缩小理论和工业实践之间的差距。在此认识到，各种技术挑战仍然与部署可应用于工业自动化中的实际情况的安全学习和智能控制系统有关。例如，这种智能控制系统，例如包括深度神经网络的智能工业自动化系统，通常需要大量的计算资源。当前部署这种系统的方法使得系统具有足够的计算资源，但缺乏效率和能力。

技术实现思路

1、本发明的实施方式通过提供可以在工业控制系统内的边缘设备上执行大规模矩阵运算的方法、系统和装置来解决和克服这里描述的一个或多个缺点。

2、在一个示例方面，工业控制系统(ics)包括被配置为执行自动控制操作的生产网络。边缘设备可以被配置为在定义物理位置的生产环境内执行工业控制操作。边缘设备可以包括定义深度神经网络的多个神经网络层。边缘设备还可以包括处理器，以及存储指令的存储器，指令在由处理器执行时，使边缘设备从由生产环境定义的物理位置处的一个或多个传感器获得数据。边缘设备还可以被配置为使用多个神经网络层对数据执行一个或多个矩阵运算，以便在由生产环境定义的物理位置处生成大规模矩阵计算。在一些示例中，边缘设备可以将大规模矩阵计算发送到与生产环境相关联的数字孪生模拟模型，以便实时更新数字孪生模拟模型。

技术特征：

1.一种被配置为在定义物理位置的生产环境内执行工业控制操作的边缘设备，所述边缘设备包括：

2.根据权利要求1所述的边缘设备，所述存储器还存储指令，所述指令在由所述处理器执行时，还使所述边缘设备：

3.根据权利要求2所述的边缘设备，所述存储器还存储指令，所述指令在由所述处理器执行时，还使所述边缘设备：

4.根据权利要求1所述的边缘设备，所述存储器还存储指令，所述指令在由所述处理器执行时，还使所述边缘设备：

5.根据权利要求1所述的边缘设备，所述存储器还存储指令，所述指令在由所述处理器执行时，还使所述边缘设备：

6.根据前述权利要求中任一项所述的边缘设备，所述存储器还存储指令，所述指令在由所述处理器执行时，还使所述边缘设备：

7.一种由工业控制系统内的边缘设备执行的方法，所述边缘设备在定义物理位置的生产环境内执行工业控制操作，所述方法包括：

8.根据权利要求7所述的方法，所述方法还包括：

9.根据权利要求7所述的方法，所述方法还包括：

10.根据权利要求7所述的方法，所述方法还包括：

11.根据权利要求7所述的方法，所述方法还包括：

12.根据权利要求7至11中任一项所述的方法，所述方法还包括：

13.一种包括指令的非瞬态机器可读介质，所述指令在由处理器执行时，使定义物理位置的生产环境内的边缘设备：

14.根据权利要求13所述的非瞬态机器可读介质，还包括指令，所述指令在由所述处理器执行时，使计算系统：

15.根据权利要求13所述的非瞬态机器可读介质，还包括指令，所述指令在由所述处理器执行时，使计算系统：

技术总结
边缘设备能够被配置为在定义物理位置的生产环境内执行工业控制操作。边缘设备能够包括定义深度神经网络的多个神经网络层。边缘设备被配置为从由生产环境定义的物理位置处的一个或多个传感器获得数据。边缘设备还能够被配置为使用多个神经网络层对数据执行一个或多个矩阵运算，以便在由生产环境定义的物理位置处生成大规模矩阵计算。在一些示例中，边缘设备能够将大规模矩阵计算发送到与生产环境相关联的数字孪生模拟模型，以便实时更新数字孪生模拟模型。

技术研发人员：马丁·泽尔,欧根·索洛乔,夏魏喜,沙尚克·塔马斯卡,伊内斯·乌加尔德·迪亚斯,海科·克劳森,胡安·L·阿帕里西奥·奥赫亚
受保护的技术使用者：西门子公司
技术研发日：
技术公布日：2024/1/11